Python裝飾器的詳細用法介紹（程式碼範例）
- 不言轉載
- 2019-02-25 10:33:342688瀏覽
本篇文章帶給大家的內容是關於Python裝飾器的詳細用法介紹（程式碼範例），有一定的參考價值，有需要的朋友可以參考一下，希望對你有幫助。
在Python中，裝飾器一般用來修飾函數，實現公共功能，達到程式碼重複使用的目的。在函數定義前加上@xxxx，然後函數就注入了某些行為，很神奇！然而，這只是語法糖而已。
場景
假設，有一些工作函數，用來對資料做不同的處理：
def work_bar(data): pass def work_foo(data): pass
我們想要在函數呼叫前/後輸出日誌，怎麼辦？
傻瓜解法
logging.info('begin call work_bar')
work_bar(1)
logging.info('call work_bar done')
如果有多處程式碼呼叫呢？想想就怕！
函數包裝
傻瓜解法無非是有太多程式碼冗餘，每次函數呼叫都要寫一遍logging。可以把這部分冗餘邏輯封裝到一個新函數裡：
def smart_work_bar(data):
logging.info('begin call: work_bar')
work_bar(data)
logging.info('call doen: work_bar')
這樣，每次調用smart_work_bar#即可：
smart_work_bar(1) # ... smart_work_bar(some_data)
通用閉包
看起來挺完美…然而，當work_foo也有同樣的需要時，還要再實現一次smart_work_foo嗎？這樣顯然不科學呀！
別急，我們可以用閉包：
def log_call(func):
def proxy(*args, **kwargs):
logging.info('begin call: {name}'.format(name=func.func_name))
result = func(*args, **kwargs)
logging.info('call done: {name}'.format(name=func.func_name))
return result
return proxy
這個函數接收一個函數物件(被代理函數)作為參數，傳回一個代理函數。呼叫代理函數時，先輸出日誌，再呼叫被代理函數，呼叫完成後再輸出日誌，最後返回呼叫結果。這樣，不就達到通用化的目的了嗎？ ——對於任意被代理函數func，log_call皆可輕鬆應付。
smart_work_bar = log_call(work_bar) smart_work_foo = log_call(work_foo) smart_work_bar(1) smart_work_foo(1) # ... smart_work_bar(some_data) smart_work_foo(some_data)
第1行中，log_call接收參數work_bar，傳回一個代理函數proxy，並賦給smart_work_bar。在第4行中，呼叫smart_work_bar，也就是代理函數proxy，先輸出日誌，然後呼叫func也就是 work_bar，最後再輸出日誌。注意到，代理函數中，func與傳進去的work_bar物件緊緊關聯在一起了，這就是閉包。
再提一下，可以覆寫被代理函數名，以smart_為前綴取新名字還是顯得有些累贅：
work_bar = log_call(work_bar) work_foo = log_call(work_foo) work_bar(1) work_foo(1)
語法糖
#先來看看以下程式碼：
def work_bar(data): pass work_bar = log_call(work_bar) def work_foo(data): pass work_foo = log_call(work_foo)
雖然程式碼沒有什麼冗餘了，但是看是去還是不夠直覺。這時候，語法糖來了~~~
@log_call def work_bar(data): pass
因此，注意一點(劃重點啦)，這裡@log_call的作用只是：告訴 Python編譯器插入程式碼work_bar = log_call(work_bar)。
求值裝飾器
先來猜猜裝飾器eval_now有什麼作用？
def eval_now(func): return func()
看起來好奇怪哦，沒有定義代理函數，算裝飾器嗎？
@eval_now def foo(): return 1 print foo
這段程式碼輸出1，也就是對函數進行呼叫求值。那麼到底有什麼用呢？直接寫foo = 1不行麼？在這個簡單的例子，這麼寫當然可以啦。來看一個更複雜的範例－初始化一個日誌物件：
# some other code before... # log format formatter = logging.Formatter( '[%(asctime)s] %(process)5d %(levelname) 8s - %(message)s', '%Y-%m-%d %H:%M:%S', ) # stdout handler stdout_handler = logging.StreamHandler(sys.stdout) stdout_handler.setFormatter(formatter) stdout_handler.setLevel(logging.DEBUG) # stderr handler stderr_handler = logging.StreamHandler(sys.stderr) stderr_handler.setFormatter(formatter) stderr_handler.setLevel(logging.ERROR) # logger object logger = logging.Logger(__name__) logger.setLevel(logging.DEBUG) logger.addHandler(stdout_handler) logger.addHandler(stderr_handler) # again some other code after...
用eval_now的方式：
# some other code before... @eval_now def logger(): # log format formatter = logging.Formatter( '[%(asctime)s] %(process)5d %(levelname) 8s - %(message)s', '%Y-%m-%d %H:%M:%S', ) # stdout handler stdout_handler = logging.StreamHandler(sys.stdout) stdout_handler.setFormatter(formatter) stdout_handler.setLevel(logging.DEBUG) # stderr handler stderr_handler = logging.StreamHandler(sys.stderr) stderr_handler.setFormatter(formatter) stderr_handler.setLevel(logging.ERROR) # logger object logger = logging.Logger(__name__) logger.setLevel(logging.DEBUG) logger.addHandler(stdout_handler) logger.addHandler(stderr_handler) return logger # again some other code after...
兩段程式碼要達到的目的是一樣的，但後者顯然更清晰，頗有程式碼塊的風範。更重要的是，函數呼叫在局部名字空間完成初始化，避免臨時變數(如formatter等)污染外部的名字空間(如全域)。
帶參數裝飾器
定義一個裝飾器，用來記錄慢函數呼叫：
def log_slow_call(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts - end_ts
if seconds > 1:
logging.warn('slow call: {name} in {seconds}s'.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
第3、5行分別在函數呼叫前後取樣目前時間，第7行計算呼叫耗時，耗時大於一秒輸出一條警告日誌。
@log_slow_call def sleep_seconds(seconds): time.sleep(seconds) sleep_seconds(0.1) # 没有日志输出 sleep_seconds(2) # 输出警告日志
然而，閾值設定總是要視情況決定，不同的函數可能會設定不同的值。如果閾值有辦法參數化就好了：
def log_slow_call(func, threshold=1):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts - end_ts
if seconds > threshold:
logging.warn('slow call: {name} in {seconds}s'.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
然而，@xxxx語法糖總是以被裝飾函數為參數呼叫裝飾器，也就是說沒有機會傳遞 threshold參數。怎麼辦呢？ ——用一個閉包封裝threshold參數：
def log_slow_call(threshold=1):
def decorator(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts - end_ts
if seconds > threshold:
logging.warn('slow call: {name} in {seconds}s'.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
return decorator
@log_slow_call(threshold=0.5)
def sleep_seconds(seconds):
time.sleep(seconds)
這樣，log_slow_call(threshold=0.5)呼叫回傳函數decorator，函數擁有閉包變數threshold，值為0.5。 decorator再裝飾sleep_seconds。
採用預設閾值，函數呼叫還是不能省略：
@log_slow_call() def sleep_seconds(seconds): time.sleep(seconds)
處女座可能會對第一行這對括號感到不爽，那麼可以這樣改進：
def log_slow_call(func=None, threshold=1):
def decorator(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts - end_ts
if seconds > threshold:
logging.warn('slow call: {name} in {seconds}s'.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
if func is None:
return decorator
else:
return decorator(func)
這種寫法相容於兩種不同的用法，用法A預設閾值(無呼叫)；用法B自訂閾值(有呼叫)。
# Case A @log_slow_call def sleep_seconds(seconds): time.sleep(seconds) # Case B @log_slow_call(threshold=0.5) def sleep_seconds(seconds): time.sleep(seconds)
用法A中，發生的事情是log_slow_call(sleep_seconds)，也就是func參數是非空的，這是直接調decorator進行包裝並返回(閾值是預設的)。
用法B中，先发生的是log_slow_call(threshold=0.5)，func参数为空，直接返回新的装饰器decorator，关联闭包变量threshold，值为0.5；然后，decorator再装饰函数sleep_seconds，即decorator(sleep_seconds)。注意到，此时threshold关联的值是0.5，完成定制化。
你可能注意到了，这里最好使用关键字参数这种调用方式——使用位置参数会很丑陋：
# Case B- @log_slow_call(None, 0.5) def sleep_seconds(seconds): time.sleep(seconds)
当然了，函数调用尽量使用关键字参数是一种极佳实践，含义清晰，在参数很多的情况下更是如此。
智能装饰器
上节介绍的写法，嵌套层次较多，如果每个类似的装饰器都用这种方法实现，还是比较费劲的(脑子不够用)，也比较容易出错。
假设有一个智能装饰器smart_decorator，修饰装饰器log_slow_call，便可获得同样的能力。这样，log_slow_call定义将变得更清晰，实现起来也更省力啦：
@smart_decorator
def log_slow_call(func, threshold=1):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts - end_ts
if seconds > threshold:
logging.warn('slow call: {name} in {seconds}s'.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
脑洞开完，smart_decorator如何实现呢？其实也简单：
def smart_decorator(decorator): def decorator_proxy(func=None, **kwargs): if func is not None: return decorator(func=func, **kwargs) def decorator_proxy(func): return decorator(func=func, **kwargs) return decorator_proxy return decorator_proxy
smart_decorator实现了以后，设想就成立了！这时，log_slow_call，就是decorator_proxy(外层)，关联的闭包变量decorator是本节最开始定义的log_slow_call(为了避免歧义，称为real_log_slow_call)。log_slow_call支持以下各种用法：
# Case A @log_slow_call def sleep_seconds(seconds): time.sleep(seconds)
用法A中，执行的是decorator_proxy(sleep_seconds)(外层)，func非空，kwargs为空；直接执行decorator(func=func, **kwargs)，即real_log_slow_call(sleep_seconds)，结果是关联默认参数的proxy。
# Case B # Same to Case A @log_slow_call() def sleep_seconds(seconds): time.sleep(seconds)
用法B中，先执行decorator_proxy()，func及kwargs均为空，返回decorator_proxy对象(内层)；再执行decorator_proxy(sleep_seconds)(内层)；最后执行decorator(func, **kwargs)，等价于real_log_slow_call(sleep_seconds)，效果与用法A一致。
# Case C @log_slow_call(threshold=0.5) def sleep_seconds(seconds): time.sleep(seconds)
用法C中，先执行decorator_proxy(threshold=0.5)，func为空但kwargs非空，返回decorator_proxy对象(内层)；再执行decorator_proxy(sleep_seconds)(内层)；最后执行decorator(sleep_seconds, **kwargs)，等价于real_log_slow_call(sleep_seconds, threshold=0.5)，阈值实现自定义！
以上是Python裝飾器的詳細用法介紹（程式碼範例）的詳細內容。更多資訊請關注PHP中文網其他相關文章！